Reconnaissance automatique de mot isolé: modélisation par MMC discret

Les recherches menées dans le domaine de la RAP ont montré l'efficacité des modèles de Markov cachés comme technique de modélisation acoustique pour le décodage de la parole. Ainsi la performance de tout SRAP basé sur les MMCs dépend grandement de la taille de son corpus d'apprentissage et de sa topologie. Nous avons conçu un outil permettant d'analyser la performance d'un SRAP en testant différentes valeurs de ces deux variables. Nos tests ont été menés pour la reconnaissance des digits Malagasy en mode indépendant du locuteur mais peut être étendu à d'autres mots prononcés de manière isolée. Ainsi la performance de notre système varie autour de la moyenne de 50%. Cette performance peut être grandement améliorée en augmentant la taille du corpus d'apprentissage. On a pu démontrer au cours de notre travail qu'il n'y a pas de règle préétablie pour définir la topologie exacte d'un MMCD. Pour bien modéliser un mot il faut donc recourir à la méthode d'analyse sur plusieurs paramètres de modélisations.